penataan ruang kawasan agropolitan di kabupaten semarang … · 2020. 5. 2. · jalan terhadap...
TRANSCRIPT
TRANSFORMATIKA, Vol.17, No.2, January 2020, pp. 134 - 148 ISSN: 1693-3656, journals.usm.ac.id/index.php/transformatika page 134
Received October 06, 2019; Revised October 08, 2019; Accepted October 28, 2019
Penataan Ruang Kawasan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network 1Priyadi , 2Eko Sedyono, 3S. Yuliyanto Joko P, 123P Fakultas Teknologi Informasi Kristen Satya Wacana, Salatiga Salatiga, Indonesia, e-mail: [email protected] ARTICLE INFO Article history: Received 06 October 2019 Received in revised form 08 October 2019 Accepted 28 October 2019 Available online 31 January 2020
ABSTRACT Kecamatan Bandungan dan Sumonowo merupakan
wilayah di Kabupaten Semarang yang ditetapkan
sebagai kawasan Agropolitan. Pelaksanaan
pembangunan di daerah tersebut berdampak negatif
terhadap kuantitas dan tren sistem pertaniannya.
Menurunnya semangat pertanian global dan nasional
juga tidak sepenuhnya terjadi di semua lini pertanian
didaerah tersebut. Penelitian ini berusaha memetakan
penataan ruang secara objektif dengan metode
Artificial Neural Network. Dimana hubungan antar
objek spasial dikalkulasikan potensi perubahannya
pada dua data spasial yang berbeda tempo. Hasilnya
didapatkan bahwa simulasi objektif dengan metode
ANN terhadap data spasial hasil klasifikasi
menggunakan metode minimum distance diperoleh
min validation error 0,0656. Hasil validasinya juga
cukup baik, yaitu memperoleh prosentasi kebenaran
85,3% dan index kappa 0.80. Peta simulasi dihasilkan
sampai pada tempo 2021. Dari peta simulasi
didapatkan pengetahuan bahwa sistem pertanian
terbuka akan terus mengalami pertumbuhan luasan
secara positif dengan kisaran 0,015%. Adapun sistem
pertanian tertutup akan terus mengalami penyusutan
luasan pada kisaran 0,01%. Pengetahuan ini bisa
menjadi alternaif solusi dalam mempertimbangkan
implementasi rencana tata ruang dan wilayah pada
kawasan tersebut.
Kata kunci: Tata ruang, Artificial Neural Network,
Agropolitan, simulasi
1. Pendahuluan Penataan ruang di suatu wilayah bertujuan agar pemanfaatan potensi ruang yang ada dapat
terkelola dengan baik. Aspek yang saling mempengaruhi dan menjadi pertimbangan dalam
penataan ruang adalah ekonomi, sosial, infrastruktur, budaya, maupun tren. Menemukan hubungan
antar aspek dan memetakan tata ruang saat ini juga menjadi kajian dari keilmuan komputer,
terutama yang berfokus pada sistem informasi geografis.
brought to you by COREView metadata, citation and similar papers at core.ac.uk
provided by Jurnal Transformatika
TRANSFORMATIKA ISSN: 1693-3656 135
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
Kecamatan Bandungan dan Sumowono termasuk kecamatan di Kabupaten Semarang yang
ditetapkan sebagai kawasan Agropolitan [1], [2]. Pada kedua Kecamatan tersebut berkembang
sistem pertanian dengan menggunakan lahan tertutup plastik. Pertanian bunga krisan adalah salah
satu jenis pertanian dengan menggunakan lahan tertutup plastik yang dominan diterapkan didaerah
ini. Data yang disediakan Badan Pusat Statistik Kabupaten Semarang menunjukkan bahwa
pertanian bunga krisan yang banyak jalankan di kedua kecamatan tersebut sejak tahun 2009 hingga
tahun 2017 terus dalam posisi ratusan hektar [3]–[6]. Adapun pertanian lain yang menggunakan
lahan tertutup plastik jumlahnya tidak terlalu signifikan. Berikut statistik luasan pertanian krisan
pada wilayah penelitian:
Grafik 1. statistik pertanian krisan.
Ditengah lesunya semangat kalangan muda dalam pertanian [7], pertanian dengan lahan
tertutup plastik justru mengalami peningkatan jumlah oleh kalangan muda di kedua wilayah
kawasan Agropolitan Kabupaten Semarang tersebut. Meskipun pembangunan diwilayah ini
berdampak negatif terhadap produktifitas lahan pertanian secara umum [8], [9], namun pertanian
dengan sistem tertutup plastik, khususnya pertanian krisan dan tanaman hias justru mengalami
peningkatan.
Data statistik setiap tahunnya telah disediakan oleh badan statistik setempat. Namun demikian,
data-data spasial dan berbagai kajiannya mengenai hubungan objek spasial yang ada, masih minim
ketersediannya, yaitu hanya tersedia pada jenis-jenis tanaman pertanian tertentu saja. Oleh karena
itu penelitian ini menggunakan pendekatan spasial dalam mendapatkan dan menganalisis data lahan
pertanian pada kawasan terkait. Pendekatan ini lebih memungkinkan mengamati berbagai objek
pertanian yang ada secara menyeluruh karena data diekstraksi dari rekaman satelit terhadap
penampang permukaan bumi pada kawasan terkait.
Pengenalan objek pertanian pada citra satelit terhadap berbagai penampakan penampang lahan
pertanian menjadi tantangan tersendiri dalam kajian sistem informasi geografis. Misalnya pada
lahan pertanian tertutup plasik yang penampangnya justru tidak mirip dengan tutupan vegetasi.
Lahan pertanian tertutup plastik justru memiliki tampilan spasial yang mirip dengan lahan
terbangun daripada lahan pertanian pada umumnya. Alasan tersebut menjadi dasar bagi peneliti
menggunakan pendekatan supervised classification dalam mengekstraksi citra. Algoritma yang
digunakan adalah minimum distance karena lebih cepat proses komputasinya dan cukup akurat
hasilnya [10], [11].
Tantangan teknis lain adalah bagaimana mengetahui pertumbuhan lahan pertanian berdasarkan
faktor-faktor yang mempengaruhi. Dalam hal ini faktor yang sangat berpengaruh adalah
pembangunan fasilitas publik. Secara fisik, bentuk pembangunan yang bisa diamati dan terbukti
dalam beberapa penelitian berperan menurunkan produktifitas dan luas lahan pertanian adalah
faktor pembangunan jalan pada daerah tersebut [8], [9]. Apalagi jika dilihat dari rencana tata ruang
0
50
100
150
200
2013 2014 2015 2016 2017
Luas Pertanian Krisan (Ha)
Luas
Luas
Tahun
136 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
dan wilayah pada objek administratif terkait, baik pada jangka menengah untuk periode 2016
hingga 2021 [1] maupun jangka panjangnya untuk periode 2011 hingga 2031[2], yang menetapkan
beberapa kecamatan sebagai kawasan agropolitan, maka kajian mengenai dampak dari pelaksanaan
rencana pembangunan terhadap perubahan pemanfaatan lahan sangat diperlukan untuk keperluan
evaluasi berjalan. Jika proses perlambatan atau percepatan pertumbuhan lahan pertanian dapat
diketahui seiring dengan pelaksanaan pembangunan yang ada, maka upaya-upaya pelestarian
pertumbuhan pertanian bisa dilakukan dengan lebih efektif.
Hubungan objek jalan dan lahan pertanian disekitarnya tergambar dengan baik pada data
spasial dan sulit digambarkan oleh data non spasial. Dalam data spasial temporal, perubahan posisi,
dan eksistensi suatu objek tergambar dengan jelas antar koordinat dalam waktu yang berbeda.
Perubahan tersebut memang sulit dipetakan dengan metode komputasi biasa. Namun demikian,
Artifificial Neural Network (ANN) bisa menjadi solusi pemecahan masalah. ANN merupakan
teknik komputasi modern yang meniru jaringan saraf manusia yang cukup populer diterapkan
dalam analisis spasial [12].
Metode ANN telah banyak diterapkan dalam berbagai analisis geospasial. Penelitian
pertumbuhan perkotaan di kota Malang yang menggunakan metode ini berhasil menemukan
pengetahuan bahwa perkiraan pada tahun 2027 kota ini akan tertutup bangunan sejumlah 73,21%
[13]. Penelitian ini menggunakan citra landsat OLI yang resolusi maksimalnya 30 meter sehingga
pengecekan akurasinya masih menggunakan citra bantu Google Earth.
Metode ANN juga berhasil digunakan dengan baik untuk prediksi berbasis spasial kerusakan
hutan di Hongkong [14]. Penelitian ini menggunakan pendekatan unsupervised classification
menggunakan citra SPOT. Hasilnya menggambarkan pergerakan kerusakan hutan secara spasial.
Novelty dalam penelitian ini dari segi pemanfaatan citra adalah penggunaan citra Sentinel 2a
yang memiliki resolusi maksimal 10 meter persegi. Metode kalsifikasi dalam penelitian ini
menggunakan minimum distance. Sehinga dalam penelitian ini akan menghasilkan pengetahuan
tentang performa data spasial hasil ekstraksi citra Sentinel 2a dengan metode klasifikasi minimum
distace untuk digunakan dalam simulasi cellular automata dengan metode ANN.
Penelitian ini mengusulkan panataan ruang secara objektif dengan metode ANN. Dimana
pergeseran atau perubahan posisi antar tutupan objek di wilayah agropolitan terkait akan
disimulasikan perkembangannya secara otomatis dengan metode ANN.
2. Metode Penelitian Data spasial terbagi kedalam dua bentuk dasar, yaitu vektor dan raster. Menurut Fisher dan
Unwin [15] vektor adalah data spasial yang dapat berupa kumpulan titik, garis, atau poligon.
Dimana setiap objek dapat memiliki satu atribut atau lebih. Adapun raster merupakan data spasial
yang tersusun atas kisi atau sel-sel yang lebih kecil. Dimana setiap selnya memiliki sebuah atibut.
Pengerjaan penelitian ini sebagian besar dilakukan dengan menggunakan ekosistem Quantum
GIS (qGis) dan melibatkan data spasial berbasis raster maupun vektor. Peneliti memanfaatkan fitur
bawaan yang ada maupun tambahan, yaitu plugin Semi Automatic Classification (SCP) dan
Molusce. Adapun tahapan pengerjaannya dibagi kedalam 3 langkah dasar sebagaimana terlihat
pada gambar 1 berikut:
TRANSFORMATIKA ISSN: 1693-3656 137
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
Gambar 1. Tahapan penataan ruang secara objektif.
Berikut ini penjelasan tahapan penelitian penataan ruang:
2.1. Pengumpulan data
Beberapa jenis dan bentuk data spasial dibutuhkan dalam penelitian ini. Berikut rincian data
spasial yang diperlukan untuk mengerjakan penelitian ini:
a. Data spasial administratif
Administrasi wilayah yang dijadikan objek penelilitan ini didasarkan pada ketentuan hukum
yang berlaku. Sumber data yang relevan sesuai batas administrasi wilayah yang dilengkapi dengan
dasar hukumnya adalah peta Rupa Bumi Indonesia (RBI). Pada peta tersebut sudah disertakan dasar
ketetapan hukumnya pada setiap ruas batas wilayah administratif sampai tingkat kecamatan. Data
spasial ini berupa data vektor yang didapatpan peneliti melalui situs penyedia data rupa bumi
Indonesia di https://portal.ina-sdi.or.id.
b. Data citra digital
Citra digital merupakan rekaman pantulan cahaya dari permukaan bumi dalam bentuk digital
yang diperoleh menggunakan teknologi penginderaan jauh [16]. Citra yang didapat dari pantulan
cahaya matahari, diambil menggunakan sensor pasif. Sedangkan citra didapatkan dari pantulan
cahaya infra merah yang dipancarkan satelit, ditangkap menggunakan sensor pasif.
138 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
Penelitian ini menggunakan citra sentinel 2a yang merupakan rekaman satelit dengan sensor
pasif. Citra sentinel 2a merupakan citra satelit digital dengan resolusi maksimal 10 meter yang
dibagi menjadi 13 spektrum band [17]. Resolusi citra ini sangat menguntungkan ketika akan
diklasifikasi menggunakan metode unsupervised karena tidak memerlukan citra bantuan yang
beresolusi lebih tinggi untuk pengenalan objek-objek yang berukuran kecil seperti pada penelitian
sejenis yang menggunakan citra LANDSAT 8 [18]. Sebabnya objek spasial dapat dikenali secara
kasat mata.
Citra temporal yang dibutuhkan untuk membangun simulasi perubahan penggunaan lahan
diperlukan minimal 3 citra dengan tempo yang berbeda pada wilayah yang sama. Ketiga citra
temporal tersebut harus memiliki jarak waktu yang sama, sebab kelipatan jarak waktu tersebut
nantinya akan digunakan untuk menghitung tempo data spasial hasil simulasi. Jarak waktu tersebut
nantinya bisa dikalikan beberapa kali iterasi untuk menghasilkan simulai dengan tempo kelipatan
tertentu. Untuk lebih jelasnya, berikut citra temporal hasil simulasi yang bisa dihasilkan dalam
bentuk persamaan matematis:
𝑑𝑡𝑠 = 𝑐𝑡2 + 𝑖(𝑐𝑡2 − 𝑐𝑡1) keterangan:
ct1 = tempo citra terendah; ct2 =tempo citra diatas t1; i = iterasi ; dts = tempo data spasial hasil
simulasi.
Adapun citra dengan tempo ketiga akan digunakan sebagai validasi hasil simulasi data spasial.
Citra ketiga ini harus memiliki tempo yang sama dengan tempo data spasial hasil simulasi dengan
jumlah iterasi satu (i = 1). Sehingga untuk melakukan validasi terhadap hasil simulasi dalam
penelitian ini, nilai iterasi yang diberikan harus satu terlebih dahulu. Kemudian dilakukan validasi
sampai didapat nilai kebenaran dengan index kappa lebih dari 0,80 untuk mendapatkan hasil yang
memiliki integritas [19]. Jika nilai minimal tersebut sudah didapat, maka model sudah siap
digunakan untuk membangun simulasi dengan jumlah iterasi yang lebih tinggi.
Penelitian ini melibatkan citra sentinel 2a pada tempo bulan Agustus 2016, Agustus 2017 dan
Agustus 2018 yang merekam wilayah Kecamatan Sumowono dan Kecamatan Bandungan.
Pertimbangan pemilihan bulan-bulan tersebut adalah untuk mendapatkan citra dengan tutupan
awan yang minimal. Sehingga juga akan minim kesalahan atau kehilangan data.
c. Data spasial driving factor
Data driving factor adalah data spasial tentang suatu objek yang mempengaruhi perubahan
penggunaan objek lain pada wilayah yang diteliti. Penelitian ini menggunakan data spasial driving
factor infratruktur jalan yang ada di wilayah penelitian. Pemilihan data spasial infrastruktur jalan
didasarkan pada temuan penelitian lain yang menunjukkan pengaruh pembangunan insfrastruktur
jalan terhadap produktifitas pertanian [9]. Data tersebut diperoleh dalam bentuk vektor yang yang
didapatkan dari layanan pemetaan terbuka open street map (OSM). Data OSM sendiri sudah cukup
banyak digunakan dalam berbagai penelitian analisis karakteristik model spasial dengan objek yang
berbeda-beda di Indonesia [20]–[22].
d. Data spasial kelas objek
Data ini diperoleh dari survey sampel objek sesuai kelas-kelas yang akan digunakan sebagai
pengenal citra digital. Data ini berupa catatan koordinat sampel objek yang disurvei. Pembagian
kelas objek menjadi lima yaitu: permukiman / settlement, pertanian tertutup / closed agiculture,
pertanian terbuka / open agriculture, lahan terbuka / open filed, dan pepohonan / tree.
2.2. Praproses data
a. Komposisi band citra
Komposisi citra adalah proses penggabungan spektrum band monokrom yang mewakili 3 warna
dasar, yaitu merah, hijau, dan biru (RGB). Kombinasi warna dasar RGB sentinel-2a sama dengan
kombinasi RGB dasar landsat 8, yaitu kombinasi band 4,3,2. Penelitian ini menggunakan
TRANSFORMATIKA ISSN: 1693-3656 139
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
kombinasi 3 band tersebut yang juga disebut sebagai kombinasi True Color [23]. Proses ini
menghasilkan 3 citra komposit, yaitu citra komposit 2016, 2017, dan 2018.
b. Pembersihan data
Pembersihan data perlu dilakukan demi efektifitas dan efisiensi kinerja komputer. Citra satelit
biasanya tersedia dalam luasan tertentu dan tidak sesuai dengan batas administratif yang akan
dilibatkan dalam penelitian. Oleh kerena itu dalam tahap pembersihan data diperlukan proses
pemotongan pada bagian citra yang masuk dalam wilayah administratif yang dilibatkan dalam
penelitian saja. Sedangkan data spasial yang lainnya dibuang.
Dalam hal ini wilayah administratif yang akan dijadikan sebagai referensi pemotongan adalah
peta wilayah administratif Kecamatan Sumowono dan Kecamatan Bandungan yang didapat dari
RBI. Proses ini menghasilkan citra digital pada wilayah administratif yang dijadikan objek
penelitian saja. Adapun data citra diluar kedua wilayah tersebut dibuang karena tidak dibutuhkan
akan dibuang.
Proses pembersihan data ini dilakukan pada semua citra temporal yang dilibatkan dalam
penelitian ditambah satu data spasial vektor jalan yang akan dijadikan sebagai driving factor. Untuk
data spasial vektor jalan dilakukan konversi menjadi raster terlebih dahulu sebelum dibersihkan.
Data spasial akhir yang dihasilkan adalah data spasial citra komposit administratif 2016, 2017,
2018, dan data spasial jalan.
c. Klasifikasi data spasial
Proses klasifikasi data spasial dalam penelitian ini menggunakan pendekatan supervised
classfication agar memungkinkan mengatur pengenalan objek sesuai sampel kelas objek yang
sudah dikumpulkan. Adapun Algoritma yang digunakan adalah minimum distance yang ada pada
plugin semi automatic classification / SCP.
Algoritma minimum distance menghitung jarak Euclidean d(x,y) antara signature spektral dan
kelas objek spasial yang dikenalkan oleh peneliti pada citra digital. Algoritma ini memiliki akurasi
hasil yang cukup baik dan memiliki keunggulan dalam hal kecepatan prosesnya [24].
Berikut persamaan matematisnya:
𝑑(𝑥, 𝑦) = √∑ (𝑥𝑖 − 𝑦𝑖)2𝑛𝑖=1
Dimana:
x = vektor signature spektral dari sebuah piksel citra.
y = vektor signature spektral dari sebuah piksel objek yang dikenali.
n = nomor band citra.
Tahapan pengerjaan klasifikasi dibagi kedalam 2 langkah dasar. Langkah pertama yaitu
membuat region of interest (ROI) sesuai sampel kelas objek yang telah dipersiapkan sebelumnya.
Berikutnya dijalankan proses klasifikasi terhadap citra temporal secara keseluruhan menggunakan
algoritma minimim distance.
Klasifikasi ini dilakukan terhadap semua tempo citra yang dilibatkan dalam penelitian. Sehingga
di akhir pengerjaan akan didapatkan 3 data spasial temporal yang masing-masing telah
terklasifikasi berdasarkan objek-objek yang dikenalkan dan disimpan kedalam kelas-kelas objek
yang berbeda.
d. Penyelarasan Geometri
Penyelasaran geometri perlu dilakukan sebelum memasuki prapemrosesan data berikutnya.
Geometri data spasial umumnya tidak sama karena didapat dari sumber data yang berbeda, terutama
data driving factor yang bersumber dari data OSM. Proses ini memanfaatkan raster calculator yang
secara bawaan sudah ada pada qGis. Penyelarasan dilakukan pada semua aspek geometri, baik
resolusi, sistem koordinat, maupun align-nya.
2.3. Membangun simulasi perubahan
Proses pembuatan simulasi dalam metode ini memanfaatkan software Molusce. Menurut
panjelasan Gismondi [25], Molusce merupakan sofrware berbasis opensource yang didesain untuk
140 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
tujuan analisa, pemodelan, dan simulasi spasial. Pengembang dari software molusce adalah Asia
Air Survey Co., Ltd. (AAS). Software ini juga teruji handal dalam penelitian ilmiah Alrubkhi [26].
Disebutkan dalam penelitiannya bahwa software tersebut sangat berdaya guna dalam memetakan
masalah perubahan lingkungan dan aktifitas manusia. Software ini didistribusikan dalam bentuk
plugin pada software qGis.
Adapun tahapan pembangunan simulasi adalah sebegai berikut:
a. Membuat peta perubahan
Peta perubahan dibuat sebagai acuan dalam pembuatan simulasi. Tahap ini memetakan
perubahan kelas objek dari kondisi awal atas kondisi akhirnya. Kondisi awal yang dimaksud adalah
data spasial hasil klasifikasi citra tahun 2016. Adapun kondisi akhirnya adalah data spasial hasil
klasifikasi citra tahun 2017.
Data spasial pada peta perubahan ini menyimpan informasi pergerakan piksel antar suatu kelas
objek dengan kelas objek lainnya dalam data spasial yang berbeda tempo tersebut. Pergerakan
piksel kelas objek tersebut dapat diproyeksi kedalam metric coordinate system untuk melihat indeks
perubahan luasan masing-masing kelas objek dalam satuan hektar atau kilometer persegi. Peta
perubahan dapat juga diproyeksi kedalam statistik perubahan secara temporal untuk prosentase
perubahan antar kelasnya.
b. Pemodelan potensi pergerakan dengan ANN
Pemodelan terhadap perubahan lahan didasarkan pada peta perubahan yang sudah didapatkan
pada tahap sebelumnya. Penelitian ini menggunakan teknik komputasi Arfiticial Neural Network
(ANN ) untuk memodelkan potensi perubahnnya.
Model ANN yang digunakan dalam penelitian ini adalah multilayer perceptron (MLP) klasik.
Masukan datanya berupa kumpulan piksel kondisi awal raster dan driving factor. Adapun target
luarannya adalah peta perubahan. Secara umum model perceptron melakukan 3 hal yaitu praproses
inisialisasi data, sampling, dan yang terakhir training data.
Arsitektur MLP terdiri atas layer unit pemroses dalam grafik terarah yang terhubung melalui
koneksi pembobotan. Layer pertama merupakan variabel input, sedangkan layer terakhir
merupakan kelas output. Adapun lapisan diantara keduanya disebut lapisan tersembunyi yang
merupakan representasi internal jalur syaraf. Pembelajaran yang terjadi dalam MLP dengan
memodifikasi bobot koneksi pada setiap proses bagian data, berdasasarkan jumlah error output
dibandingkan dengan hasil yang diharapkan.
Proses pembelajaran terus dilanjutkan sampai bobot dalam jaringan yang telah disesuaikan,
sehingga bisa diterima terhadap output yang diinginkan. Fase berikutnya, jaringan yang sudah
terlatih sepenuhnya akan diberikan data baru dan pemrosesan maupun aliran informasi melalui
jaringan diarahkan pada penugasan data input ke kelas output. Arsitektur model MLP dalam ANN
terlihat pada gambar 2 berikut:
Gambar 2. Arsitektur multilayer perceptron ANN.
TRANSFORMATIKA ISSN: 1693-3656 141
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
MLP menerapkan sistem pembelajaran terbimbing menggunakan algoritma backpropagtion
klasik dengan momentum untuk prosedur pembelajaran. Koreksi bobot dijalankan dengan
persamaan berikut:
𝑤(𝑛 + 1) = 𝑟 ∗ 𝑑𝑤(𝑛) + 𝑚 ∗ 𝑑𝑤(𝑛 − 1)
Dimana w : vektor bobot nouron, dw : vektor bobot perubahan, n : jumlah iterasi, r : tingkat
pembelajaran, sedangkan m : momentum.
Training set dibagi kedalam dua bagian, yaitu set validasi yang merupakan 20% sampel dan set
pembelajaran yang merupakan 80% sampel secara bawaan. Adapun penyesuaian error adalah rata-
rata kuadrat error dari bagian jaringan. Sampel error dihitung dengan persamaan berikut:
𝐸 =𝑡𝑖 − 𝑜𝑖
𝑑
Dimana E : sampel error, ti : target nilai dari keluaran neuron atas sampel yang diberikan, oi : nilai
keluaran yang sebenarnya dari neuron, sedangkan d : jumlah keluaran neuron.
c. Membuat simulasi cellular automata
Pembuatan simulasi didasarkan pada inisial kondisi raster, raster faktor, dan model jaringan yang
sudah dikerjakan sebelumnya. Simulasi pertama dibuat dengan jumlah iterasi 1. Tujuannya adalah
untuk memperoleh hasil data spasial temporal tersimulasi dengan tempo yang sama dengan data
spasial hasil klasifikasi citra satelit tempo ke-3, yaitu tahun 2018. Dengan memiliki kecocokan
tempo antara data spasial tersimulasi dengan data klasifikasi satelit, maka data spasial hasil simulasi
bisa diuji validasinya terhadap data spasial hasil dari klasifikasi citra satelit tersebut.
d. Validasi
Proses validasi bertujuan untuk menjaga integritas simulasi. Simulasi yang memiliki integritas
bisa menjadi dasar yang kuat untuk dijadikan rujukan dalam pembuatan rencana tata ruang dan
wilayah.
Validasi data spasial hasil simulasi pada iterasi pertama harus memiliki nilai kebenaran index
Kappa 0,80 agar layak dijadikan dasar proses pembuatan simulasi dengan jumlah iterasi yang lebih
besar. Jika belum mendapatkan nilai tersebut, maka perlu melakukan pengulangan proses
pemodelan potensi pergerakan dengan penyesuaian parameter yang berbeda. Lalu dilanjutkan
sampai proses validasi lagi hingga diperoleh nilai index Kappa minimal 0,80. Index kappa dihitung
dengan persamaan berikut:
𝐾 =𝑛 ∑ 𝑥𝑖𝑖 − ∑ (𝑥𝑖+ ∗ 𝑥+𝑖)
𝑝𝑖=1
𝑝𝑖=1
𝑛2 − ∑ (𝑥𝑖+ ∗ 𝑥+𝑖)𝑝𝑖=1
Dimana n : jumlah total training pixel, p : jumlah kelas, ∑ 𝑥𝑖𝑖 : total jumlah elemen konfusi matriks,
∑ 𝑥𝑖+ : jumlah baris i, sedangkan ∑ 𝑥𝑖+ : jumlah kolom i.
3. Hasil dan Pembahasan Klasifikasi objek spasial dibedakan berdasarkan kelas objek. Kelas-kelas objek spasial
dibedakan berdasarkan warna dan nama kelas. Nama-nama kelas didapatkan dari pengenalan ROI
yang diperoleh pada saat survei sampel objek. Dalam hal ini nama kelas yang dijadikan pengenal
objek adalah kelas permukiman, kelas pepohonan, kelas pertanian terbuka, kelas pertanian tertutup,
dan kelas lahan terbuka.
Hasil proses klasifikasi diperoleh data spasial yang dibedakan berdasarkan warna kelas objek
yang sudah didefinisikan sebelumnya. Ketiga data spasial temporal hasil klasifikasi beserta data
driving factor yang telah diselaraskan satu sama lain secara detail dapat dilihat pada Gambar 3
berikut:
142 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
2016 2017
2018 Data Jalan OSM
Legenda:
Permukiman Lahan Terbuka
Pertanian Tertutup Pepohonan
Pertanian Terbuka Jalan
Gambar 3. Data spasial hasil klasifikasi citra digital tempo 2016, 2017, 2018,
dan data Jalan OSM.
Pemodelan potensi perubahan didasarkan pada kondisi spasial tempo 2016 sebagai kondisi
awal dan data spasial tempo 2017 sebagai kondisi akhir. Proses pemodelan potensi perubahan
menggunakan ANN MLP pada penelitian ini didapatkan nilai Min validation overall error 0,06566.
Nilai set pembelajaran ini menjadi data baru yang digunakan pada tahap selanjutnya dalam
membuat simulasi secara objektif tata ruang di wilayah penelitian. Tampilan grafis hasil
pembelajaran potensi perubahannya terlihat pada gambar 4 berikut:
Gambar 4. Grafik pembelajaran jaringan syaraf.
Adapun hasil validasi data spasial simulasi cellular automata terhadap data spasial hasil
klasifikasi pada tempo 2018 didapatkan prosentase kebenaran 85,3 % dan index kappa 0,80. Nilai-
nilai tersebut memberikan informasi kredibilitas terhadap hasil simulasi pada iterasi dengan jumlah
1. Dasar validasi yang kredibel ini akan digunakan untuk membangun simulasi dengan jumlah
iterasi lebih tinggi. Grafik validasi data spasial tersimulasi terlihat pada gambar 5 dibawah ini.
TRANSFORMATIKA ISSN: 1693-3656 143
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
Gambar 5. Grafik validasi multi-resolution budget.
Algoritma pembelajaran ANN MLP untuk pelatihan jaringan 3 layer dalam format pseudo code
adalah seperti berikut: kondisi_awal : array (kelas 2016) kondisi_akhir : array (kelas 2017); drivingFactor : array (pixel jalanOsm); mapChanges : kondisi_awal -> kondisi_akhir; N : ketetanggaan; C : length.array(kelas objek); jaringan <- (C-1)(2N+1)2+mapChanes(2N+1)2
do foreach training mapChanges prediksi <- neural-net-output(jaringan, mapChanges) aktual <- teacher-output(mapChanges) hitung error (prediksi - aktual) pada unit output hitung ∆Wh untuk semua bobot dari hidden layer ke output layer hitung ∆Wi untuk semua bobot dari input layer ke hidden layer perbarui bobot jaringan until (semua contoh terklasifikasi dengan benar) return (jaringan)
Selanjutnya simulasi dibuat sampai pada jumlah iterasi 4. Pertimbangan membuat simulasi
sampai pada jumlah iterasi tersebut didasarkan pada rencana tata ruang dan wilayah (RTRW)
Kabupaten Semarang jangka menengah [2]. Dimana dalam RTRW tersebut termuat peraturan dan
rencana pembangunan wilayah dari tahun 2016 sampai tahun 2021. Iterasi berikutnya secara
berturut-turut: iterasi kedua menghasilkan simulasi data spasial dengan tempo 2019, iterasi ketiga
menghasilkan simulasi data spasial dengan tempo 2020, iterasi keempat menghasilkan simulasi
spasial dengan tempo 2021.
Data spasial hasil simulasi dari iterasi 1 sampai iterasi 4 dengan overlay wilayah administrasi
desa dapat dilihat pada Gambar 6 berikut ini:
144 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
Simulasi 1.
Tempo 2018. Simulasi 2.
Tempo 2019.
Simulasi 3
Tempo 2020
Simulasi 4
Tempo 2021
Gambar 6. Simulasi tata ruang kawasan agropolitan.
Pengamatan langsung pada data spasial hasil simulasi membutuhkan ketelitian dan kejelian
yang tinggi untuk melihat perubahan objek spasial yang ada. Oleh karena itu, untuk mempermudah
pengamatan perubahan spasial masing-masing kelas, perubahan kelas objek disajikan secara
statistik dengan grafik keseluruhan wilayah agropolitan yang dilibatkan dalam penelitian dan
dengan tabel masing-masing administrasi desa. Gambar 7 berikut ini menampilkan statistik
perubahan luasan masing-masing objek.
Gambar 7. Statistik perubahan kelas objek.
Tren pertumbuhan dihitung dengan membagi slope temporal objek terhadap rata-rata temporal
objek pada data spasial hasil simulasi, yaitu tempo 2018, 2019, 2020, dan 2021. Detail rata-rata dan
tren pertumbuhan simulasi spasial terlihat pada tabel 1.
Tabel 1. Statistik simulasi pertanian per desa
No Kecamatan Pertanian Terbuka Pertanian Tertutup
Desa AVG TREN Desa AVG TREN
1 Bandungan Sidomukti 246,58 2,169298 Jimbaran 8,74 0,034335
2 Bandungan Jetis 281,59 1,872936 Sidomukti 9,50 -0,03157
3 Bandungan Kenteng 172,58 1,431779 Pakopen 9,09 -0,03299
4 Bandungan Candi 311,76 1,213443 Bandungan 20,42 -0,04408
5 Bandungan Jimbaran 99,68 1,170776 Jetis 16,62 -0,05416
6 Bandungan Banyukuning 103,04 0,505641 Banyukuning 11,06 -0,1085
7 Bandungan Pakopen 157,50 0,475563 Mlilir 7,85 -0,11469
0.00
1000.00
2000.00
3000.00
4000.00
5000.00
6000.00
7000.00
2016 2017 2018 2018 2019 2020 2021
1. Pemukiman
2. PertanianTertutup
3. Pertanian Terbuka
4. Lahan Terbuka
TRANSFORMATIKA ISSN: 1693-3656 145
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
8 Bandungan Mlilir 182,36 0,451311 Duren 11,65 -0,1374
9 Bandungan Bandungan 101,27 0,395003 Candi 16,39 -0,15251
10 Bandungan Duren 154,22 0,340428 Kenteng 13,24 -0,45317
11 Sumowono Candigaron 102,85 3,388512 Duren 4,18 0
12 Sumowono Kemitir 93,40 3,069675 Jubelan 5,04 0
13 Sumowono Kebonagung 98,61 2,951019 Kebonagung 1,95 0
14 Sumowono Losari 133,58 2,822975 Lanjan 7,54 0
15 Sumowono Piyanggang 205,47 2,5692 Mendongan 5,60 0
16 Sumowono Ngadikerso 71,76 2,426227 Pledokan 2,19 0
17 Sumowono Jubelan 72,38 1,754628 Sumowono 14,64 -0,02049
18 Sumowono Trayu 25,94 1,673414 Kemawi 10,50 -0,06668
19 Sumowono Mendongan 121,33 1,399547 Piyanggang 11,74 -0,08518
20 Sumowono Sumowono 31,56 1,394391 Candigaron 4,37 -0,09164
21 Sumowono Keseneng 71,71 1,263422 Trayu 2,83 -0,10591
22 Sumowono Bumen 22,43 1,109997 Ngadikerso 2,43 -0,12333
23 Sumowono Duren 70,09 1,081467 Losari 7,18 -0,13928
24 Sumowono Lanjan 109,32 0,874537 Bumen 3,60 -0,1669
25 Sumowono Pledokan 71,93 0,761905 Keseneng 5,69 -0,17575
26 Sumowono Kemawi 125,96 0 Kemitir 3,54 -0,25442
Pada grafik statistik perubahan kelas objek (Grafik 1) terlihat bahwa kelas objek pepohonan
menempati luasan tertinggi dengan rata-rata 4.507,76 ha. Kemudian secara berturut-turut pertanian
terbuka merupakan terluas kedua dengan rata-rata luas 3.238,86 ha, lahan terbuka menempati
rangking luas ketiga dengan rata-rata 1.316,65 ha, kawasan permukiman menempati rangking luas
keempat dengan rata-rata 1.306,69 ha. Sedangkan lahan pertanian tertutup merupakan kelas objek
dengan luasan paling sempit dengan rata-rata 215,57 ha. Jika pun luas lahan pertanian tertutup dan
lahan pertanian terbuka dijumlah total rata-ratanya pada angka 3.444,34. Artinya tetap tidak lebih
luas dibanding tutupan pepohonan.
Kelas objek lahan terbuka dalam data spasial ini bisa karena kekeringan, mengingat citra
diambil pada bulan agustus, yaitu musim kemarau. Terbukanya lahan juga bisa disebabkan karena
sedang dalam proses pengolahan, baik untuk pertanian maupun difungsikan untuk objek lainnya.
Secara urutan waktu, baik dari hasil klasifikasi citra digital, maupun hasil simulasi, menunjukkan
luasan yang sama. Jika lahan terbuka disebabkan oleh kekeringan maka dapat ditafsirkan bahwa
kawasan yang tersebut secara periodik akan sering mengalami kekeringan.
Lahan pertanian terbuka dan tutupan pepohonan menunjukkan perubahan yang berkebalikan.
Lahan pertanian terbuka tempak terus mengalami kenaikan jumlah, sedangkan tutupan pepohonan
terus mengalami penurunan. Hal tersebut bisa ditafsirkan bahwa terjadi pembukaan lahan dari
kawasan pepohonan menjadi lahan pertanian terbuka dalam skala yang cukup masif.
Lahan pertanian tertutup terprediksi mengalami penurunan namun dalam jumlah yang kecil.
Lahan ini juga menempati jumlah luas yang paling kecil. Hal ini cukup wajar karena model
pertanian ini membutuhkan usaha yang lebih dalam membangunnya ketimbang objek-objek spasial
alami seperti pertanian terbuka atau pepohonan, maupun objek spasial lain yang bersifat kebutuhan
pokok seperti permukiman.
Kawasan mana saja yang menempati luas terbanyak dan tren perubahannya secara objektif
diperlihatkan lebih spesifik pada batas administrasi desa. Pada kawasan pertanian terbuka,
sebagaimana yang terlihat pada tabel 2, desa di Kecamatan Bandungan yang menempati rata-rata
luas tertinggi adalah desa Candi dengan rata-rata luas pada kisaran 316,71 ha. Namun demikian
dalam tren pertumbuhannya desa tersebut tidak terlihat mengalami tren pertumbuhan tertinggi.
Tren pertumbuhan tertinggi justru terjadi pada desa Sidomukti pada kisaran 2,17% dengan rata-rata
luas 246,58 ha. Sedangkan desa dengan rata-rata luas lahan pertanian terbuka terendah di
kecamatan ini adalah desa Jimbaran dengan rata-rata luas 99,68 dan tren pertumbuhan 1,17 %.
146 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
Sama halnya dengan lahan pertanian terbuka paling luas di kecamatan ini, tren pertanian terendah
juga tidak ditempati oleh desa dengan kawasan pertanian terbuka paling rendah, namun justru
terjadi pada desa Duren dengan tren pertumbuhan hanya 0,345 dan luas rata-rata 154,22 ha.
Pertanian terbuka di Kecamatan Sumowono yang terluas adalah desa Piyanggang dengan rata-
rata luas 205,47 ha dan tren pertumbuhan 2,57%. Sedangkan desa dengan luas terendah di
kecamatan ini adalah desa Bumen dengan luas rata-rata 22,43 ha dan tren pertumbuhan 0,31%.
Tren pertumbuhan tertingginya terjadi di desa Candigaron dengan tren pertumbuha 3,39% dan
dengan luas rata-rata 102,85 ha. Sedangkan desa dengan tren pertumbuhan terendah terjadi pada
desa Kemawi dengan pertumbuhan 0% dan luas rata-rata 125,96 ha.
Pertanian tertutup mayoritas mengalami penyusutan pada kedua kecamatan namun dengan
prosentase yang sangat rendah, yaitu dibawah -1%. Perkecualian yang terjadi di desa Jimbaran
kecamatan Bandungan yang mengalami pertumbuhan 0,034%. Adapun 6 desa di kecamatan
Sumowono menunjukkan stagnasi pertumbuhan (0%), yaitu yang terjadi pada desa Duren, Jubelan,
Kebonagung, Lanjan, Mendongan, dan peldokan. Namun demikian ada 6 desa di kecamatan
Bandungan dan 3 desa di kecamatan Sumowono yang memiliki rata-rata luas diatas 10 hektar.
Bahkan desa bandungan di kecamatan Bandungan memiliki rata-rata luas 20,42% dengan
penyusutan -0,04%.
4. Kesimpulan dan Saran Algoritma penataan ruang secara objektif dengan metode ANN model MLP yang digunakan
dalam penelitian kawasan agropolitan cukup berhasil untuk mendapatkan gambaran kondisi spasial
dimasa depan. Data simulasi spasial temporal dapat dihasilkan, diukur, dan dianalisis secara
statistik sehingga diperoleh informasi dan pengetahuan spasial yang memadai dengan tempo serial.
Kurva pembelajaran pemodelan potensi perubahan didapatkan nilai min validation error cukup
rendah, yaitu 0,06566. Ketika hasil simulasi spasial divalidasi menggunakan data spasial hasil
klasifikasi citra satelit pun didapatkan prosentase kebenaran yang cukup tinggi, yaitu 85,3% dengan
index kappa 0.80. Hal tersebut menunjukkan bahwa implementasi metode ANN dengan model
MLP pada penataan lahan kawasan agropolitan memiliki integritas kinerja yang baik.
Penelitian ini juga menunjukkan kinerja metode ANN yang digunakan untuk mempelajari
potensi perubahan kelas objek spasial yang didapat dari proses klasifikasi dengan metode minimum
distance terhadap citra Sentinel 2a tidak ada kendala yang berarti. Walaupun tidak ada penyesuaian
khusus terhadap metode klasifikasi minimum distance, hasil klasifikasinya tetap bisa digunakan
untuk simulasi dengan metode ANN dengan nilai akurasi yang cukup tinggi.
Sistem pertaian di Kecamatan Bandungan dan Sumowono yang merupakan kawasan agroplitan
di Kabupaten Semarang didominasi dengan sistem pertanian terbuka. Sistem pertanian tertutup
memang mengalami penurunan dalam simulasi, namun jumlahnya tidak terlalu signifikan. Secara
keseluruhan sistem pertanian terbuka cenderung mengalami pertumbuhan posittif pada kisaran
0,015 %, sedangkan sistem pertanian tertutup cenderung mengalami penyusutan pada kisaran 0,01
%. Pertanian terbuka memiliki rata-rata luas yang jauh lebih tinggi dan tren pertumbuhan luas yang
lebih tinggi pula. Artinya pertanian secara umum didaerah ini akan terus mengalami pertumbuhan.
Pertanian tertutup dalam simulasi menampilkan hasil yang berlawanan degan statistik pertanian
krisan dari sumber BPS. Hal tersebut dapat ditafsirkan bahwa sistem pertanian terutup
kemungkinan besar akan terus didominasi oleh pertanian krisan. Sedangkan jenis pertanian lain
kemungkinan akan mengalami penurunan.
Oleh karena itu dapat dikatakan bahwa pertumbuhan pertanian di kedua wilayah ini tidak
terpengaruh buruk oleh semangat pembangunan dan tren global generasi muda. Maka sistem
pertanian ini dapat terus dilestarikan, bahkan perlu dikolaborasikan dengan implementasi
pembangunan yang akan terus berjalan.
Penelitian ini berfokus pada pembuatan simulasi dengan tempo masa depan untuk menganalisa
tren agropolitan di wilayah terkait daripada akurasi klasifikasi. Sehingga kemungkinan ada
beberapa kelemahan proses dan metode yang digunakan pada tahap klasifikasi dalam penelitian ini.
TRANSFORMATIKA ISSN: 1693-3656 147
Penataan Ruang Kawanan Agropolitan di Kabupaten Semarang dengan Metode Artificial Neural Network (Priyadi)
Penjelasan pra-proses citra digital yang dilakukan dalam penelitian ini juga kurang mendetail,
tertutama pada permasalahan gangguan citra yang bersumber dari awan.
DAFTAR PUSTAKA
[1] Pemkab Semarang, “Peraturan Daerah Kabupaten Semarang Nomor 6 Tahun 2011 tentang
Rencana Tata Ruang Wilayah Kabupaten Semarang Tahun 2011-2031.” Pemerintah
Kabupaten Semarang, 2011.
[2] Pemkab Semarang, “Peraturan Daerah Kabupaten Semarang Nomor 15 Tahun 2016 tentang
Rencana Pembangunan Jangka Menengah Daerah (RPJMD) Kabupaten Semarang Tahun
2016 – 2021.” Pemerintah Kabupaten Semarang, 2016.
[3] BPS, “Badan Pusat Statistik Kabupaten Semarang 2015,” dalam Kabupaten Semarang
dalam angka 2015, 2015.
[4] BPS, “Badan Pusat Statistik Kabupaten Semarang 2016,” dalam Kabupaten Semarang
dalam angka 2017, 2016.
[5] BPS, “Badan Pusat Statistik Kabupaten Semarang 2017,” dalam Kabupaten Semarang
dalam angka 2017, 2017.
[6] BPS, “Kabupaten Semarang dalam angka 2018,” 16-Sep-2018. [Daring]. Tersedia pada:
https://semarangkab.bps.go.id/publication/2018/08/16/d91ff1f0c2c70645c440fac1/kabupate
n-semarang-dalam-angka-2018.html. [Diakses: 16-Sep-2018].
[7] Sri Hery Susilowati, “Fenomena Penuaan Petani dan Berkurangnya Tenaga Kerja Muda
serta Implikasinya bagi Kebijakan Pembangunan Pertanian,” Forum Penelit. Agro Ekon.,
vol. 34, no. 1, hlm. 35–55, Jun 2016.
[8] Farhan Firdiansyah, E. Santosa, dan P. Astuti, “Analisis Dampak Implementasi Kebijakan
dan Persepsi Masyarakat tentang Alih Fungsi Lahan Terhadap Tingkat Kesejahteraan
Petani,” J. Polit. Gov. Stud., vol. 6, no. 03, hlm. 571–580, Jul 2017.
[9] Dinda Kholivia Masykuroh dan Iwan Rudiarto, “Kajian Perubahan Penggunaan Lahan dan
Harga Lahan di Wilayah Sekitar Pintu Tol Ungaran,” Feb 2016.
[10] Aykut Akgun, Hüsnü Eronat, dan Necdet Türk, “Comparing Different Satellite Image
Classification Methods: An Application In Ayvalik District, Western Turkey.,” Jan 2004.
[11] A. Wacker dan D. LANDGREBE, “Minimum Distance Classification in Remote Sensing,”
LARS Tech. Rep., Jan 1972.
[12] Sucharita Gopal, “Artificial neural networks in geospatial analysis,” John Wiley Sons Ltd,
2017.
[13] Agung Bayu Nugroho, Abdul Wahid Hasyim, dan Fadly Usman, “Urban Growth Modelling
of Malang City using Artificial Neural Network Based on Multi-temporal Remote Sensing,”
Civ. Environ. Sci. J., vol. 1, no. 2, hlm. 52–61, Okt 2018.
[14] Vahid Ahmadi, “Deforestation Prediction Using Neural Networks and Satellite Imagery in a
Spatial Information System,” Mar 2018.
[15] P. F. Fisher dan D. J. Unwin, Representing GIS. England: John Wiley & Sons, 2005.
[16] J. A. Richard dan X. Jia, Remote Sensing Digital Image Analysis: An Introduction. Springer,
2006.
[17] ESA Standard Document, “Sentinel-2 User Handbook - Sentinel-2 MSI Document Library -
User Guides - Sentinel Online,” 12-Apr-2018. [Daring]. Tersedia pada:
https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/document-library/-
/asset_publisher/Wk0TKajiISaR/content/sentinel-2-user-
handbook;jsessionid=A99ECC5993863D31A9BBF85B3B9E0966.jvm2?redirect=https%3
A%2F%2Fsentinel.esa.int%2Fweb%2Fsentinel%2Fuser-guides%2Fsentinel-2-
msi%2Fdocument-
library%3Bjsessionid%3DA99ECC5993863D31A9BBF85B3B9E0966.jvm2%3Fp_p_id%3
148 ISSN: 1693-3656
TRANSFORMATIKA Vol. 17, No. 2, January 2020 : 157 – 167
D101_INSTANCE_Wk0TKajiISaR%26p_p_lifecycle%3D0%26p_p_state%3Dnormal%26
p_p_mode%3Dview%26p_p_col_id%3Dcolumn-1%26p_p_col_count%3D1. [Diakses: 12-
Apr-2018].
[18] Priyadi Priyadi, “Analysis of Spatio Temporal Change of Land Use of Chrysanthemum
Farm in Semarang Regency Using Landsat Image 8 OLI,” Indones. J. Comput. Model., vol.
1, no. 2, hlm. 49–54, Okt 2018.
[19] Muhammad Hadi Saputra dan Han Soo Lee, “Prediction of Land Use and Land Cover
Changes for North Sumatra, Indonesia, Using an Artificial-Neural-Network-Based Cellular
Automaton,” Sustainability, vol. 11, hlm. 3024, Mei 2019.
[20] Monica Indra Dewa, “Analisis Karakteristik Model Spasial Di Kabupaten Gowa Berbasis
Gis dan Remote Sensing Menggunakan Citra Landsat,” Nov 2017.
[21] Nur Rahmat Ramadhan, “Analisis Karakteristik Spasial Kabupaten Bone Berbasis Gis
Menggunakan Citra Landsat 8,” Nov 2017.
[22] Sidra Sidra, “Analisis Karakteristik Spasial Kabupaten Takalar Berbasis Gis dan Remote
Sensing Menggunakan Citra Landsat,” Nov 2017.
[23] SINERGISE, “Color Composites | Sentinel Hub.” [Daring]. Tersedia pada:
https://www.sentinel-hub.com/eotaxonomy/color-composites. [Diakses: 05-Apr-2019].
[24] Kanika Kalra, Anil Kumar Goswami, dan Rhythm Gupta, “A Comparative Study Of
Supervised Image Classification Algorithms For Satellite Images,” Des 2013.
[25] FOSS4G 2013, “FOSS4G 2013,” FOSS4G 2013. [Daring]. Tersedia pada:
../../../../index.html. [Diakses: 26-Jun-2019].
[26] Alghaliya Nasser Mohammed Al-Rubkhi, “Land Use Change Analysis and Modeling Using
Open Source (QGIS) Case Study: Boasher Willayat.”